【图像增强】水下图像一致性增强评价系统Matlab实现

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

👇 关注我领取海量matlab电子书和数学建模资料

🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥 内容介绍
一、开篇引言：水下图像的 “颜值困境” 与评价刚需

1.1 水下成像的痛点直击

想象一下，当我们将镜头深入神秘的海底世界，本应捕捉到五彩斑斓的珊瑚、灵动的海洋生物以及古老的沉船遗迹，可现实却常常令人大失所望。在海洋探测、水下考古、水产养殖监测等众多关键领域中，水下图像总是深受水体散射、吸收以及噪声干扰的困扰。

水体就像一个调皮的 “滤镜破坏者”，其中的水分子和悬浮颗粒会对光线进行散射和吸收。当光线在水中传播时，不同波长的光遭遇的命运各不相同。比如红光，它在水中衰减得最快，往往还没来得及携带足够的信息到达相机，就已经 “元气大伤” ，导致图像整体色偏严重，色彩不再是我们熟悉的绚丽模样。而散射现象使得光线改变传播方向，大量光线无法直接到达相机，图像因此变得模糊不清，细节也随之被掩盖，目标物体的轮廓难以辨认。

此外，水下环境复杂，噪声干扰也无处不在。这些噪声可能来自于水流的波动、设备自身的电子噪声等，它们叠加在图像上，进一步降低了图像的质量，使原本就不清晰的图像变得更加杂乱无章。在这种情况下，图像普遍存在色偏、模糊、对比度低等问题，直接影响到后续对目标的识别与数据分析。

为了解决这些问题，传统的图像增强算法被广泛应用。然而，这些算法往往存在 “顾此失彼” 的缺陷。有些算法虽然能够提升图像的亮度，但却导致图像出现结构失真，原本规则的物体形状变得扭曲；有些算法在增强对比度时，又会引发色彩失衡，图像的颜色变得不自然，与实际场景相差甚远。这就好比给一幅画进行修复，却不小心破坏了画作原本的神韵和细节，反而弄巧成拙。因此，水下图像的一致性增强以及对其进行科学评价变得迫切且必要。

1.2 一致性增强评价系统的核心价值

一致性增强并非简单地追求单张图像画质的提升，它有着更高的追求。它更强调增强后的图像在结构、色彩、特征等多个层面与原始图像保持统一性。这就像是一场精准的 “还原手术”，既要让图像变得清晰、美观，又要确保图像的本质特征不发生改变。

在实际应用中，这种一致性增强后的图像为后续的水下目标检测、海洋生物识别等任务提供了可靠的数据基础。以海洋生物识别为例，如果增强后的图像结构和色彩发生了较大变化，就可能导致识别系统误判，将海豚识别为鲨鱼，这不仅会影响科研数据的准确性，也可能对海洋生态保护决策产生误导。

而评价系统则是检验增强算法优劣的核心标准，是整个水下图像增强领域的 “裁判员”。传统的评价方式往往存在 “主观化、碎片化” 的痛点。主观化评价主要依赖人工判断，不同的人对于图像质量的感受和标准各不相同，这就导致评价结果缺乏客观性和一致性。而碎片化评价则是从单一的角度，如仅关注图像的清晰度或者色彩还原度来评价，无法全面、综合地考量图像增强算法的性能。

水下图像一致性增强评价系统就像是一把精准的 “度量尺”，它能够从多个维度，全面、客观地评估增强算法的效果，解决传统评价的痛点，为选择和改进水下图像增强算法提供科学依据，推动水下图像增强技术不断向前发展。

二、核心基础：读懂水下图像一致性增强与评价逻辑

2.1 什么是水下图像一致性增强

水下图像一致性增强是一项极具挑战性的任务，它与普通图像增强有着本质的区别。普通图像增强往往侧重于提升图像的整体视觉效果，如提高亮度、增强对比度等，对图像内容本身的改变相对较为灵活。但水下图像一致性增强则需要在提升画质的同时，高度保持图像的固有特征，就像一位技艺精湛的文物修复师，在修复一件珍贵文物时，不仅要让文物重现昔日光彩，更要确保文物的每一个细节、每一处纹理都保持原汁原味，不被破坏或篡改。

其核心目标涵盖多个关键层面。在色彩方面，要修正因水体对不同波长光线的选择性吸收和散射导致的色偏问题，让海洋生物、海底地貌等的颜色尽可能接近其真实颜色，同时保证色彩过渡自然，不会出现色彩断层或过于鲜艳刺眼的情况。例如，将原本因水体影响而偏蓝绿色的珊瑚图像，还原为其真实的五彩斑斓，且每种颜色的饱和度和亮度都恰到好处 。

在细节增强上，要通过算法强化图像中的细微结构和纹理信息，使模糊的海洋生物轮廓变得清晰，让隐藏在昏暗背景中的小鱼鳞片纹理得以显现。但这一切都要在不引入伪影的前提下进行，伪影就像是文物修复过程中留下的错误笔触，会严重破坏图像的真实性和可靠性。如果在增强过程中出现伪影，可能会误导科研人员对海洋生物形态的判断，影响水下目标检测的准确性。

而保持结构一致性是确保增强后的图像中物体的形状、位置和空间关系与原始图像一致。一艘沉船在原始图像中的轮廓和各部分的相对位置，在增强后不能发生扭曲或偏移，否则会对水下考古研究造成极大困扰，无法准确还原沉船的原始结构和受损情况。

2.2 为何需要专门的一致性评价体系

传统的图像质量评价指标，如 UCIQE（水下彩色图像质量评价指标）和 UNQM（无参考自然图像质量评价指标），在水下图像领域存在一定的局限性。这些指标在设计时并未充分考虑到深度学习算法在水下图像增强中带来的新问题。深度学习算法虽然强大，但有时会产生一些异常的失真现象，比如在增强图像对比度时，可能会导致图像边缘出现不自然的光晕，或者在去除噪声的同时，意外地平滑掉了一些重要的图像细节。而 UCIQE 和 UNQM 等传统指标无法有效捕捉和量化这些异常失真，容易对增强算法的效果给出不准确的评价。

此外，水下图像与普通图像不同，很难获取理想的参考图像。在普通图像质量评价中，有时可以将高质量的原始图像作为参考，通过对比待评价图像与参考图像之间的差异来评估图像质量。但在水下环境中，由于成像条件的复杂性，很难拍摄到没有任何失真的 “完美” 水下图像作为参考。这就使得依赖参考图像的传统评价方法在水下图像评价中难以施展拳脚。

专门的一致性评价体系则能够弥补这些不足。它可以从多个维度对水下图像增强算法的效果进行全面、深入的量化评估。通过一系列精心设计的评价指标，不仅可以考察增强后的图像在色彩、对比度、清晰度等常规方面的表现，还能重点关注图像的结构一致性、特征显著性以及自然性等与水下图像一致性密切相关的特性。

例如，在判断一组水下珊瑚礁图像的增强效果时，一致性评价体系可以通过分析图像中珊瑚的纹理结构是否在增强后保持清晰完整，不同种类珊瑚的颜色区分是否更加明显且自然，以及整个珊瑚礁场景的空间布局是否与原始图像一致等多个方面，来综合判断增强算法的优劣。而且，这种评价体系更注重算法对图像集的整体优化效果，能够判断算法是否具备鲁棒性，即在不同的水下环境、不同类型的水下图像上都能稳定地发挥作用，而不是仅仅在某一张特定的图像上表现良好。这对于筛选出真正适用于各种复杂水下场景的图像增强算法至关重要。

⛳️ 运行结果
图片

📣 部分代码
function varargout = Single(varargin)

addpath(genpath('c:/matlab/myfiles'))

% SINGLE MATLAB code for Single.fig

% SINGLE, by itself, creates a new SINGLE or raises the existing

% singleton*.

%

% H = SINGLE returns the handle to a new SINGLE or the handle to

% the existing singleton*.

%

% SINGLE('CALLBACK',hObject,eventData,handles,...) calls the local

% function named CALLBACK in SINGLE.M with the given input arguments.

%

% SINGLE('Property','Value',...) creates a new SINGLE or raises the

% existing singleton*. Starting from the left, property value pairs are

% applied to the GUI before Single_OpeningFcn gets called. An

% unrecognized property name or invalid value makes property application

% stop. All inputs are passed to Single_OpeningFcn via varargin.

%

% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one

% instance to run (singleton)".

%

% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help Single

% Last Modified by GUIDE v2.5 21-Jul-2020 02:20:16

% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ...

               'gui_Singleton',  gui_Singleton, ...

               'gui_OpeningFcn', @Single_OpeningFcn, ...

               'gui_OutputFcn',  @Single_OutputFcn, ...

               'gui_LayoutFcn',  [] , ...

               'gui_Callback',   []);

if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1});

end

if nargout

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});

else

gui_mainfcn(gui_State, varargin{:});

end

% End initialization code - DO NOT EDIT

% --- Executes just before Single is made visible.

function Single_OpeningFcn(hObject, eventdata, handles, varargin)

% This function has no output args, see OutputFcn.

% hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% varargin command line arguments to Single (see VARARGIN)

% Choose default command line output for Single

handles.output = hObject;

% Update handles structure

guidata(hObject, handles);

% UIWAIT makes Single wait for user response (see UIRESUME)

% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.

function varargout = Single_OutputFcn(hObject, eventdata, handles)

% varargout cell array for returning output args (see VARARGOUT);

% hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure

varargout{1} = handles.output;

% --- Executes on button press in pushbutton1.

function pushbutton1_Callback(hObject, eventdata, handles)

% hObject handle to pushbutton1 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

% val=get(handles.popupmenu1,'value');

img= imread('old.png');

val= get(handles.popupmenu1,'value');

if (val==1)

           h = warndlg('正在增强图片，请稍后','提示');

           pic = Ancuti2018_Multi(img);

           axes(handles.axes4);

           imshow(pic);

           imwrite(pic, 'new.png');

 elseif (val==2)

            h = warndlg('正在增强图片，请稍后','提示');

            pic = CLAHE_Multi(img); 

            axes(handles.axes4);

            imshow(pic);

            imwrite(pic, 'new.png');

elseif (val==3)

             h = warndlg('正在增强图片，请稍后','提示');

             pic = DBDLS_Multi(img); 

             axes(handles.axes4);

            imshow(pic);

            imwrite(pic, 'new.png');

elseif (val==4)

            h = warndlg('正在增强图片，请稍后','提示');

            pic = NLVB_Multi(img);

            axes(handles.axes4);

            imshow(pic);

            imwrite(pic, 'new.png');

 elseif (val==5)

            h = warndlg('正在增强图片，请稍后','提示');

            pic = UCM_Multi(img);

            axes(handles.axes4);

            imshow(pic);

            imwrite(pic, 'new.png');

% elseif get(handles.radiobutton6,'value')

% algorithnm_name = '导师算法';

elseif (val==6)%全部算法

        h = warndlg('正在增强图片，请稍后','提示');

        im= imread('old.png');

        %im = imread('D:\2018TIP Color Balance Fusion\image\6.jpg');

        figure('name','增强算法结果对比'), subplot(2,3,1);

        imshow(im);

        xlabel('原

w = warning('query','last') %在你报warning的那行代码后面加上这句代码

id = w.identifier; %拿到这个warning的唯一标识符

warning('off',id)

set(javaFrame,'Maximized',1);

🔗 参考文献
图片
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配